| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 10 / 140
First pagePrevious page12345678910Next pageLast page
1.
Razvoj sistema za zaznavo oglasov s pomočjo strojnega učenja : magistrsko delo
Leon Abraham, 2023, master's thesis

Abstract: Magistrsko delo opisuje celotni postopek izdelovanje sistema za iskanje oglasa v toku posnetkov. Vsebuje predstavitev predobdelave oglasa ter posnetkov, iskanje slike v posnetku z lastno implementacijo ter s pomočjo storitve AWS Rekognition, uporabniški vmesnik ter predstavitev rezultatov oziroma testiranje sistema. Aplikacija deluje na podlagi iskanja dveh podobnih slik kjer v primeru podobnosti uporabnik dobi določene meta podatke (čas ujemanja, odstotek ujemanja ter ime datoteke) ter sliko, kdaj se je pojavil oglas v toku posnetkov. Sistem smo ovrednotili z mero F1, kjer smo dobili 100% uspešnost.
Keywords: strojno učenje, zaznava oglasov, AWS, FFMPEG
Published in DKUM: 22.12.2023; Views: 284; Downloads: 44
.pdf Full text (3,44 MB)

2.
Podatkovni kanjoni, pristop strojnega učenja za potrebe razložljive umetne inteligence : doktorska disertacija
Bojan Žlahtič, 2023, doctoral dissertation

Abstract: Z uporabo algoritmov strojnega učenja je mogoče izvesti zapletene analize in pridobiti globlje vpoglede na osnovi obsežnih količin podatkov, kar presega človeške zmožnosti. Navedena značilnost je ključni dejavnik, zaradi katerega je strojno učenje vpeljano v številne domene. Kljub številnim prednostim ni vedno možno integrirati strojnega učenja na določena področja, predvsem zaradi tega, ker se za naprednimi metodami pogosto skrivajo modeli tipa črne skrinje. Ti modeli uporabnikom ne omogočajo vpogleda v logiko njihovega odločanja, kar lahko predstavlja oviro v kontekstih, kjer so odločitve kritične in lahko napačna odločitev vodi v resne posledice. Z namenom ublažiti te problematike smo razvili metodo strojnega učenja, temelječo na naravnem pojavu rečnih kanjonov. Ta pojav lahko vizualiziramo v digitalni grafični obliki, kar omogoča intuitiven prikaz logike odločanja. Rezultat je model strojnega učenja, ki generira globinske slike gibanja podatkov za posamezen razred. V teh slikah je pripadnost posamezne instance kanjonu prikazana s pomočjo barvno kodiranih grafov. Podatkovni kanjoni se zaradi svojih lastnosti in metodologije lahko uporabljajo za potrebe razložljive umetne inteligence, bodisi samostojno ali kot dopolnilni mehanizem drugim pristopom strojnega učenja.
Keywords: razložljiva umetna inteligenca, strojno učenje, klasifikacija, razložljivost, zaupanje
Published in DKUM: 05.12.2023; Views: 159; Downloads: 31
.pdf Full text (3,26 MB)

3.
Napovedovanje gostote prometa z uporabo strojnega učenja
Andraž Kralj, 2023, master's thesis

Abstract: V magistrskem delu naslavljamo problem dolgoročnih napovedi prometa. V ta namen najprej predstavimo sorodno delo in podamo teoretično osnovo izvedbe različnih modelov strojnega učenja ter kodiranja cikličnih podatkov. V nadaljevanju podrobneje predstavimo naš pristop, ki omogoča izvedbo letnih napovedi z urno ločljivostjo. Različne pristope pri tem sistematično primerjamo in z rezultati pokažemo, da smo obravnavni problem najučinkoviteje naslovili z uporabo metode XBoost in kodiranja cikličnih podatkov s podobnostjo.
Keywords: strojno učenje, promet, ansambel dreves, značilnice, obdelava podatkov
Published in DKUM: 07.11.2023; Views: 174; Downloads: 37
.pdf Full text (17,28 MB)

4.
Razpoznava suše z integracijo senzorskih in rastrskih podatkov : diplomsko delo
Luka Hauko, 2023, undergraduate thesis

Abstract: V sklopu diplomskega dela predstavljamo metodo za razpoznavanje suše, ki temelji na integraciji satelitskih podatkov, iz njih izvedenih podatkovnih produktov, kot sta to normaliziran vegetacijski indeks in indeks vlažnostnega stresa, s senzorskimi podatki o vremenu, vključno s povprečnimi padavinami, zračno vlažnostjo in temperaturo. Podatke smo pridobili preko aplikacijskih programskih vmesnikov ter jih integrirali v podatkovne zbirke, nad katerimi smo izvedli strojno učenje. Slednje je vključevalo metode k-najbližjih sosedov, podporne vektorje in naključni gozd. Rezultati so pokazali, da v našem primeru dosežemo najvišjo natančnost glede na metriko F1 z uporabo slednjega.
Keywords: suša, strojno učenje, razpoznava
Published in DKUM: 05.10.2023; Views: 127; Downloads: 13
.pdf Full text (2,96 MB)

5.
Metoda za izboljšanje prostorsko-časovne ločljivosti okoljskih geoprostorskih podatkov z uporabo lokalnih meritev in satelitskih slik : doktorska disertacija
Jernej Cukjati, 2023, doctoral dissertation

Abstract: V doktorski disertaciji predstavimo novo metodo za izboljšavo prostorsko-časovne ločljivosti okoljskih geoprostorskih podatkov. Geoprostorske podatke pogosto dobimo tudi iz meritev, ki jih zajamemo z lokalnimi ali s satelitskimi senzorji. Pomanjkljivost teh zajemov so redki lokalni senzorji in nizka časovna ločljivost satelitskih slik. Prostorsko in časovno ločljivost izboljšamo s souporabo podatkov iz meritev obeh podatkovnih virov. Najprej opazovano območje razdelimo v mrežo pikslov in nad lokalnimi senzorji sestavimo Voronoijev diagram. Središča Voronoijevih celic ustrezajo lokacijam lokalnih senzorjev, ki v danem časovnem trenutku vračajo veljavne izmerjene vrednosti. Za nabor pikslov znotraj vsake posamezne Voronoijeve celice zgradimo ločene regresijske modele s strojnim učenjem. Razlagalne spremenljivke regresijskih modelov so pretekli podatki iz meritev lokalnih senzorjev trenutno izbrane Voronoijeve celice in njenih sosed, ciljne vrednosti pa so iz izbranega nabora pikslov satelitskih slik. Po izračunu vrednosti okoljske spremenljivke v vseh pikslih na opazovanem območju dobimo geolocirano rastrsko sliko okoljske spremenljivke. Predlagano metodo smo uporabili na podatkih meritev lokalnih senzorjev in satelitskih slik toplogrednega plina NO2. Regresijske modele smo zgradili s tremi metodami: algoritmom najbližjih sosedov, linearno regresijo in večplastno naprej usmerjeno nevronsko mrežo. Najvišjo točnost smo dosegli z nevronsko mrežo. Predlagano metodo smo primerjali s petimi referenčnimi metodami, ki so bile predstavljene v zadnjih treh letih. Te metode so: geografsko-časovno obtežena nevronska mreža, prilagodljiva grafovska konvolucijska povratna nevronska mreža, časovna grafovska konvolucijska nevronska mreža z mehanizmom pozornosti, nevronska mreža za izmenjevanje sporočil, združena z mrežami dolgega kratkoročnega spomina, in globoko ansambelsko strojno učenje. Po točnosti je najboljše rezultate dala naša metoda. Najbolj se nam je približala metoda, sestavljena iz nevronske mreže za izmenjavo sporočil in nevronske mreže z dolgim kratkoročnim spominom. Od te smo bili točnejši za približno 5 %.
Keywords: računalništvo, strojno učenje, k-najbližji sosedje, linearna regresija, naprej usmerjena nevronska mreža, daljinsko zaznavanje
Published in DKUM: 02.10.2023; Views: 290; Downloads: 48
.pdf Full text (5,61 MB)

6.
Določitev potenciala prožnosti pri uporabnikih distribucijskega omrežja : magistrsko delo
Jaka Rober, 2023, master's thesis

Abstract: V magistrskem delu je opisan postopek določitve potenciala prožnosti gospodinjskih odjemalcev z namenom upravljanja prezasedenosti distribucijskega omrežja. Opisani so izziv sodobnega distribucijskega omrežja s poudarkom na vključevanju obnovljivih virov energije v omrežje. Predstavljen je koncept izvajanja prožnosti v elektroenergetskem sistemu in pomen aktivnega odjemalca v distribucijskem omrežju. Na osnovi realnih podatkov preobremenjene transformatorske postaje in povezanih odjemalcev je izvedena določitev prožnosti z ovrednotenjem napovedanih vzorcev porabe. Pri napovedi porabe so uporabljene različne metode, vključno s povprečenjem, tehnikami strojnega učenja in polinomsko interpolacijo. Za odjemalce z največjim potencialom prožnosti so razviti scenariji za obvladovanje preobremenitev transformatorske postaje.
Keywords: aktivni odjemalec, prožnost, odpravljanje prezasedenosti, napoved porabe, strojno učenje
Published in DKUM: 18.09.2023; Views: 310; Downloads: 74
.pdf Full text (17,63 MB)

7.
OTS 2023 Sodobne informacijske tehnologije in storitve : Zbornik 26. konference
2023, proceedings

Abstract: V zborniku šestindvajsete konference OTS 2023 so objavljeni prispevki strokovnjakov s področja informatike, v katerih so predstavljena nova spoznanja in trendi razvoja, vpeljave, prilagajanja ter upravljanja informacijskih rešitev, kot tudi konkretni uspešni pristopi in dobre prakse. Prispevki naslavljajo področja sodobnih arhitekturnih izzivov, klasične, generativne in globoke umetne inteligence, sodobnih spletnih ali mobilnih uporabniških vmesnikov, kot tudi tradicionalnih, brezstrežniških in decentraliziranih zalednih sistemov v oblaku. Tematike prispevkov obsegajo tudi zagotavljanje ustreznega skalabilnega okolja zanje ter avtomatizacijo testiranja, merjenje kakovosti in dostavo s proaktivnim naslavljanjem najpogostejših kibernetskih napadov. Rdečo nit prispevkov predstavljajo podatkovne tehnologije, ki so zastopane v obliki klasičnih podatkovnih baz, podatkovnih jezer ter učinkovitega zbiranja, obdelave in vizualizacije velepodatkov. Prispevki tako še naprej omogočajo boljšo povezanost IT strokovnjakov, informatikov, arhitektov in razvijalcev naprednih IT rešitev in storitev, kot tudi akademske sfere in gospodarstva.
Keywords: informatika, informacijske tehnologije, programsko inženirstvo, informacijski sistemi, informacijske rešitve, digitalna preobrazba, razvoj mobilnih in spletnih rešitev, arhitekture v oblaku, podatkovne tehnologije, poslovna inteligenca, umetna inteligenca in strojno učenje, obdelava velepodatkov in podatkovnih tokov, metode agilnega razvoja, tehnologije veriženja blokov, kibernetska varnost
Published in DKUM: 04.09.2023; Views: 319; Downloads: 46
.pdf Full text (32,01 MB)
This document has many files! More...

8.
Razvoj mobilne aplikacije za sledenje športnim aktivnostim v fitnes centrih : diplomsko delo
Timotej Lang, 2023, undergraduate thesis

Abstract: V diplomski nalogi je predstavljena mobilna aplikacija za sledenje napredka in športnim aktivnostim v fitnes centrih, ki vsebuje model strojnega učenja, ki uporabniku omogoča planiranje in sledenje napredka. Model zajema podatke tedensko porabljenih kalorij iz opravljenih treningov uporabnika, s katerimi predvidi količino porabljenih kalorij s fitnes aktivnostmi tekom naslednjega tedna. Mobilno aplikacijo podpira operacijski sistem Android, za katerega je implementiran uporabniku prijazen grafični vmesnik.  
Keywords: Kotlin, fitnes, strojno učenje, mobilna aplikacija
Published in DKUM: 12.07.2023; Views: 725; Downloads: 147
.pdf Full text (2,17 MB)

9.
Mehanski trgovalni sistem na osnovi spodbujevanega učenja : na študijskem programu 2. stopnje Matematika
Anja Drevenšek, 2023, master's thesis

Abstract: Umetna inteligenca in strojno učenje postajata del našega vsakdana. Tako je tudi na finančnih trgih, kjer t. i. inteligentni agenti trgujejo z vrednostnimi papirji. V magistrskem delu je obravnavan primer takšnega mehanskega trgovalnega sistema za trgovanje z delnicami. Model temelji na spodbujevanem učenju in uporablja realne prosto dostopne borzne podatke. V prvem delu so preučeni temeljni pojmi verjetnosti in umetne nevronske mreže. Nadalje je podrobneje opredeljeno spodbujevano učenje in matematično ozadje spodbujevanega učenja. Drugi del magistrske naloge predstavlja implementiran model mehanskega trgovalnega sistema. Zastavljeni in učeni so štirje agenti, ki se med seboj razlikujejo po sistemu nagrajevanja. Agenti so testirani in primerjani s pasivno strategijo ter med seboj.
Keywords: strojno učenje, spodbujevano učenje, umetne nevronske mreže, inteligentni agent, trgovanje z vrednostnimi papirji.
Published in DKUM: 05.07.2023; Views: 295; Downloads: 46
.pdf Full text (2,33 MB)

10.
Proučevanje zunanjih dejavnikov pri napovedovanju cene kriptovalut s strojnim učenjem : diplomsko delo
Jakob Cvetko, 2023, undergraduate thesis

Abstract: Zmožnost napovedovanja gibanja cene finančnih instrumentov predstavlja priložnost za visoke zaslužke. Eni izmed tehnični pristopov, ki se na področju finančnega trgovanja že dalj časa uspešno uporabljajo, so metode strojnega učenja. V diplomski nalogi smo se ukvarjali z napovedovanjem cene kriptovalute Bitcoin. Modeliranje smo začeli s pridobivanjem raznih podatkov, povezanih s ceno kriptovalute, in nato z algoritmom XGBoost izdelali napovedni model. Razumevanje napovedi je ključnega pomena, zato smo uporabili razlagalni algoritem SHAP, s katerim smo dobili globlji vpogled v napovedni model. Izkazalo se je, da imajo podatki, neposredno vezani na ceno kriptovalute, največjo vlogo pri napovedi, temu pa sledi indeks strahu in pohlepa.
Keywords: kriptovalute, strojno učenje, XGBoost, napovedovanje časovnih vrst, SHAP
Published in DKUM: 07.06.2023; Views: 442; Downloads: 43
.pdf Full text (2,08 MB)

Search done in 0.23 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica